葵花八号红外辐射率资料同化在一次东北暴雨中的应用研究

Application of Assimilating Infrared Radiance Data from Himawari-8 Satellite in a Heavy Rainfall in Northeast China

摘要

基于WRF模式配套的WRFDA同化系统中葵花八号AHI辐射率资料的同化模块，考察葵花八号AHI 3个水汽通道辐射率资料的直接同化对一次东北暴雨预报的影响。结果表明：质量控制和偏差订正能够显著去除异常资料，使背景场观测残差的均值趋于0，分析场较背景场观测残差的标准差与均方根误差进一步减小。与控制试验相比，同化AHI辐射率资料后，风和温度在中低层的均方根误差分别下降约0.2 m/s和0.1 K，比湿在低层的均方根误差下降约0.03 g/kg。卫星资料同化对吉林省中部有正向的相对湿度增量贡献，改进了吉林省内3 h降水的预报效果。同化卫星资料的试验对所有阈值的ETS和偏差评分改进幅度均超过0.1。其中对于50 mm的阈值，ETS和偏差评分提升率分别达64%和58%。同化AHI辐射率资料对于观测降水中心单站点的逐小时降水预报趋势与观测更加吻合。

Abstract

Based on the assimilation module for Himawari-8 AHI radiance data in the weather research and forecasting model data assimilation (WRFDA) system with WRF model, this paper investigated the impact of direct assimilation of the radiance data of the three water vapor channels from Himawari-8 AHI on the forecast of a heavy rainfall in Northeast China. The results show that the quality control and bias correction are effective in eliminating anomalous data, making the mean of observation minus background (OMB) closer to 0, while the standard deviation and root mean square error of observation minus analysis (OMA) are further reduced. Compared with the control experiment, after assimilating AHI radiance data, the root mean square errors are reduced by about 0.2 m/s and 0.1 K in the middle and lower layers for the wind and temperature respectively, and the root mean square error of specific humidity decreases by about 0.03 g/kg in the lower layers. Besides, the assimilation of satellite data contributes positively to the increment of relative humidity in the central part of Jilin Province. The final forecast of 3 h precipitation is improved. The experiments involving satellite data assimilation show an improvement in the ETS and bias scores exceeding 0.1 of all thresholds. For the 50 mm threshold, the improvement rates for ETS and bias scores reach 64% and 58%, respectively. In addition, the assimilation of AHI radiation data enhances the alignment of the hourly precipitation forecast trends at a single observation station with the actual observations.

Graphical abstract

关键词

东北暴雨 / WRF模式 / AHI辐射率 / 资料同化

Key words

heavy rainfall in Northeast China / WRF model / AHI radiance / data assimilation

暴雨是我国主要的气象灾害之一，它的生成受大气环流、天气和气候系统的影响，具有范围广泛、发生频繁、突发性强的特点，且带来人员伤亡与经济财产损失^[1-3]。近年来我国东北地区暴雨天气频发，东北冷涡是影响我国东北地区夏季暴雨的主要天气系统之一，具有深厚的冷心结构，在对流层中上部表现较明显，维持时间较长，移动缓慢，一般持续3～5 d^[4]。受其影响会出现低温、连阴雨、雷雨大风和冰雹等强对流天气^[5-6]。东北冷涡四季都可能出现，在夏季的几率高于冬季，造成的灾害不容忽视^[7]，历来受到重视，气象工作者针对东北冷涡开展了许多的研究与分析^[8-13]。

随着卫星探测技术的不断发展和进步，卫星观测已成为地球气象信息观测的主体，被广泛应用于数值天气预报业务和研究中^[14]。利用卫星资料同化技术开展对灾害天气系统及其影响机制的研究预报成为当前资料同化领域的热点和重难点^[15]。按照轨道高度的不同，气象卫星主要分为静止卫星和极轨卫星两类。静止卫星停留在地球上方某一固定点，可以对同一范围内的灾害性天气进行持续的监测^[16]。国内外专家学者对静止气象卫星资料同化展开了一系列研究。Zou等^[16]采用了美国国家环境预测中心（National Centers for Environmental Prediction，NCEP）的格点统计插值（Gridpoint Statistical Interpolation，GSI）同化系统对美国的地球同步环境卫星（Geostationary Operational Environmental Satellite，GOES）成像仪辐射率资料进行同化试验，显著改进了墨西哥湾沿岸附近的定量降水预报和飓风“Debby”（2012）的路径和强度预报。Yang等^[17]对GOES成像仪辐射率资料进行同化试验，用于墨西哥上空对流尺度（4 km）的预报，预报结果得到了显著改善。Zhang等^[18]利用集合卡尔曼滤波（Ensemble Kalman Filter，EnKF）方法同化GOES-16的高级基线成像仪（Advanced Baseline Imager，ABI）亮温观测资料，有效提高强对流天气的预警。Chen等^[19]对风云四号A星闪电资料同化方法进行了研究，同化和预报试验结果表明在雷达观测较差的内陆复杂山地区域短时降雨预报效果得到明显改善。

葵花八号是日本气象厅发射的新一代地球同步气象卫星，携带了先进葵花成像仪（Advanced Himawari Imagers，AHI），可以在时间和空间上连续监测高影响天气。目前葵花八号的观测频率为每10 min一次，能显著提高中短期天气特别是暴雨的预报技巧，为灾害性天气监测与预报提供支持^[20]。国内外专家学者对葵花8号资料同化展开一系列应用研究。Ma等^[21]应用全球预报系统（Global Forecast System，GFS）对红外水汽通道的AHI辐射同化进行初步评估，发现AHI资料同化对全球对流层上层水汽分析有积极影响。Qin等^[22]研究了同化AHI资料对中国东部定量降水预报的影响， AHI辐射率资料同化对快速演变的强天气系统预报技巧有显著提升。Wang等^[18]利用三维变分（3 Dimensional Variation, 3DVAR）同化系统研究了晴空条件下同化3个水汽通道的AHI辐射率资料对中国北方一次暴雨分析预报的影响，结果表明同化AHI辐射率资料可以改善风场和水汽场，提高了前6 h降水预报精度。AHI辐射率资料已应用于我国部分区域数值预报以及全球预报系统，但应用于东北冷涡暴雨预报的研究工作还较少。本文基于一次东北冷涡暴雨个例，采用3DVAR方法对葵花八号AHI辐射率资料同化研究。

1 资料和方法

1.1 葵花八号卫星辐射率资料

葵花八号搭载的成像仪AHI提供了高时空分辨率的辐射率资料，分辨率明显高于上一代地球静止轨道卫星同类产品，具体参数见表1。AHI全盘扫描时间为10 min，能够有效监测灾害性天气的发生发展。本文采用通道8、9、10水汽通道，均为红外波段，中心波长分别为6.2、6.9和7.3 μm。

1.2 <bold>WRF</bold>模式和<bold>3DVAR</bold>方法

WRF模式是由美国研制的新一代中尺度数值预报模式，WRFDA同化系统通过最小化代价函数获得3DVAR方法最优分析^[23]：

\begin{array}{l}J\left(x\right)=\frac{\mathrm{1}}{\mathrm{2}}{\left(x-x^h\right)}^T{B}^{-\mathrm{1}}\left(x-x^h\right)+\\ \frac{\mathrm{1}}{\mathrm{2}}{\left(H\left(x\right)-y^{\mathrm{0}}\right)}^T{R}^{-\mathrm{1}}(H\left(x\right)-y^{\mathrm{0}})\mathrm{。}\end{array}（1）

式中：x表示N维的分析场（包括温、压、湿、风），H为观测算子，x^h表示N维向量的背景场，H(x)是用格点空间的模式变量求得的观测相当量，y^{\mathrm{0}}表示M维观测场向量，B为N\times N维背景误差协方差矩阵，N为分析场的自由度，R是M\times M维观测误差协方差矩阵，其中M为观测场的自由度，上角标的T和-\mathrm{1}分别表示矩阵的伴随和逆。

1.3 葵花八号辐射率资料同化模块

同化前对葵花八号辐射率资料进行质量控制，参照通用的静止卫星质控方法，质控方案为：（1）剔除观测残差超过15 K的观测；（2）剔除亮温值＜50 K和＞550 K的观测；（3）剔除偏差订正后的观测残差仍超过3σ₀的观测，σ₀为观测标准差；（4）剔除云区的观测，仅保留晴空区域的观测；（5）剔除陆地上和海洋表面在WRF模式地形文件中类型较为复杂的观测。

本文利用WRFDA系统中的离线偏差订正法修正卫星观测算子，公式为：

\tilde{H}(x,\beta )=H(x)+{\beta }_{\mathrm{0}}+{\displaystyle \sum _{i=\mathrm{1}}^{N_{\mathrm{p}}}}{\beta }_i{p}_i。（2）

式中：\tilde{H}\left(x,\beta \right)为偏差订正后的观测算子，H\left(x\right)是偏差订正前的观测算子，x是模式状态矢量，{\beta }_{\mathrm{0}}是总偏差的常数部分，{\beta }_i和p_i分别代表第i个偏差订正系数和预报因子，N_p为预报因子总数。在假定通道相互独立的前提下，偏差订正系数{\beta }_i可以通过变分偏差订正方法极小化离线计算获得。本研究运用WRFDA系统的离线变分偏差订正（Variatonal Bias Correction，VarBC）方法，使用2017年7月1—12日AHI观测资料统计得到各预报因子偏差订正系数，基于此系数进行后续同化试验。

2 试验介绍

2.1 暴雨个例介绍

2017年7月13—14日受东北冷涡及西太平洋副热带高压影响，冷暖空气交汇产生了强烈的不稳定，低空西南急流显著加强带来充沛水汽，处于冷锋前暖区的吉林省中东部地区出现罕见暴雨到大暴雨天气，导致长春、吉林、延边等地发生不同程度的洪涝灾害。通化中北部部分区域出现雷暴大风，阵风风力达7级以上，部分地区伴有冰雹天气过程。造成吉林、延边、四平等25个市县60余万人不同程度受灾，直接经济损失逾9.6亿元。

2.2 试验设计

采用WRF模式V4.3版本进行数值模拟，模拟区域中心位于124.8°E、46.2°N（图1），东西和南北网格数设置为723×691，格距为5 km。模式的初值和边界条件由0.25°×0.25° 全球预报系统（Global Forecast System，GFS）提供。模式中使用的物理参数化方案有WSM6微物理方案^[24]，Dudhia短波辐射方案^[25]、RRTM长波辐射方案^[26]、YSU边界层方案^[27]、Kain-Fritsch积云对流方案^[28]。

试验模拟时间段为2017年7月12日0时—14日0时。2017年7月12日0—6时进行6 h spin-up。针对热启动后6 h的预报场，进行两组不同的试验：一组直接以2017年7月12日6时的预报场作为初值场，积分42 h至14日0时，记为CTL试验；另一组以2017年7月12日6时的预报为同化的背景场，6—12时逐小时进行同化，以最后一次同化的分析场为模式的初值场，从12时开始预报36 h至14日0时，记为AHI试验。

3 试验结果分析

3.1 偏差订正

AHI试验中通道8～10的辐射率资料被同化。7月12日6时偏差订正前、后观测亮温减去背景场模拟的亮温（OMB，observation minus background）和偏差订正后观测亮温减去分析场模拟的亮温（OMA，observation minus analysis）可知（图2），偏差订正前模式西南区域卫星OMB值整体偏高。偏差订正，尽管大部分扫描点OMB的绝对值仍较大，但较高的OMB值得到一定程度的矫正，较偏差订正前更接近0 K。在同化后的分析场中大部分扫描点OMA的绝对值进一步接近0 K，说明分析场相对背景场更接近观测，表明同化是有效的。

由7月12日6时通道8、9、10模拟亮温与观测亮温对比的散点图（图3）可知，偏差订正前的散点大多集中于对角线以下（图3a），表明背景亮温较观测偏小。经过偏差订正后的散点相对于偏差订正前散点更加均匀地分布在对角线两侧（图3b），且在一定程度上纠正偏差。均值从原来的2.283降低至0.732，更接近0，同时均方根和标准差误差均减小。由同化后分析场亮温与观测亮温对比（图3c）可知，同化后的散点较背景场更加收敛于对角线，其中均值、均方根和标准差均进一步减小并且接近于0。对于通道9和10，偏差订正使均值更接近0，分析场不仅均值进一步减小，均方根和标准差也显著减小，表明同化有效，得到的分析场显著优于背景场，误差较小。

3.2 相对湿度增量

吉林省中部925 hPa有大面积的正相对湿度增量（图4a），最大值达到1.5%，且向南北两方向分别延伸至黑龙江省和辽宁省，使两省有小范围的正相对湿度增量，数值为0.3%～0.9%。在43°N、127°E附近有明显小范围的负相对湿度增量，中心数值为-1.2%。东北地区的相对湿度增量主要集中在43°～46°N、123°～128°E区域。850 hPa的正相对湿度增量范围与925 hPa相似（图4b），有少许减少，大值超过1.5%。在43°N、127°E附近有明显负相对湿度增量，中心数值达-0.9，表明同化后吉林中部地区水汽含量增加，有利于暴雨的发生发展。

3.3 均方根误差

图5为分析场和探空资料的均方根误差。两组试验得到的纬向风速U和经向风速V在150 hPa的均方根误差均是整层最大的（图5a、b）。70～150 hPa两速度分量的均方根误差均相对接近。纬向风速上100 hPa以下AHI表现较好，100～200 hPa CTL表现较好， 200～1 000 hPa AHI表现较好。经向风速而言，整体上50～1 000 hPa均是AHI表现较好，在150～925 hPa尤为明显。总体看来，AHI试验分析的风速的均方根误差要显著小于CTL试验分析的均方根误差。对于温度场（图5c），AHI试验分析的温度场在50～175 hPa和300～1 000 hPa均方根误差均小于CTL，300～700 hPa相比CTL试验改进作用更显著。对于比湿场（图5d），AHI试验在1 000～300 hPa分析的均方根误差与CTL试验无显著区别，两者均方根误差接近，在300～400 hPa和500～1 000 hPa，AHI均方根误差较小，总体相对于CTL有改进作用。

3.4 降水预报

由图6a可知，2017年7月13日9—12时累计降水主要集中于43°～44.5°N、125°～127.5°E，另一降水区位于42°～44°N、120°～123.5°E。最大降水强度中心分别位于43.5°N、127°E附近，3 h累计降水量＞50 mm。CTL试验中（图6b），降水范围为42°～44°N，最大降水强度中心位于43°N、124°E附近，3 h降水量＞100 mm。AHI同化试验预报得到的3 h累计降水主要位于40°～44°N、119°～130°E（图6c），降水区域的面积增加，降水强度中心的落区与观测吻合。AHI试验预报的降水更加接近实际情况。

ETS评分表明在预报区域内满足的某降水阈值的降水预报结果相对于满足相同降水阈值的随机预报的预报技巧，其值为0～1，分数越高模拟效果越好。偏差评分常常用于衡量模式对某量级降水预报的偏差，预报区域内满足某降水阈值的总格点数与对应实况降水总格点数的比值^[23]。若评分为1，表示模拟无偏差，若值＞1，表示偏差偏高，若值＜1，表示偏差偏低。由定量的降水ETS评分与偏差评分（图7）可知，对于所有降水阈值，AHI的ETS评分均高于CTL，且随着降水阈值的增大，AHI与CTL的得分差值越大，说明降水阈值越大，AHI相比于CTL的优势越明显。AHI的评分在10 mm处达到最大值（约0.38），说明在该值处AHI表现最佳。10～50 mm两试验评分均＜1（图7b），说明对暴雨模拟预报低估。AHI的偏差评分均高于CTL，且在10 mm处达到最大值（0.84）。说明AHI总体表现较好，在10 mm处表现最佳。

图8为降水极值中心（43.66°N，126.47°E）各组试验模式预报及观测逐小时累计量。实况中3  h累计降水量＞90 mm，该站点3 h内逐小时降水量不断增加。每次降水量大约增加一倍，最终在11—12时累计降水量达到峰值（45.17 mm）。CTL试验前2 h对降雨出现漏报，在最后1  h预报的降水量仅为观测值的1/3。AHI试验均预报出降水，尽管预报的降水量级较观测偏小，但降水量总体上符合每小时递增约一倍的变化趋势，与观测的降水特征较吻合。

4 结论

本文基于WRF模式，分析了直接同化葵花八号AHI 3个水汽通道（通道8、9、10）的辐射率资料对一次东北冷涡底部暴雨过程预报的影响，得到以下结论：

（1）通过偏差订正，背景场亮温观测残差的均值接近0，分析场亮温观测残差的均方根误差和标准差较背景场进一步减小，AHI辐射率资料的同化有效，显著地减小了观测残差的误差。完成循环同化后，分析场中气象要素的误差减小，其中纬向风和经向风在中低层的均方根误差下降约0.2 m/s，温度在中低层的均方根误差下降约0.1 K，比湿在低层的均方根误差下降约0.03 g/kg。

（2）同化AHI辐射率资料，使分析场中吉林省中部的相对湿度得到改进，成功预报出吉林省内的暴雨中心，并且所有阈值的ETS与BIAS评分均明显优于CTL试验，两种评分的提高均在0.1以上。阈值越大，降水评分越高，当阈值达到50 mm时，AHI试验的ETS和BIAS评分较CTL试验的相应评分分别提升64%和58%。降水中心单站点的逐小时降水预报，AHI试验预报的降水趋势与观测的雨量变化趋势更加吻合。

本研究是同化AHI辐射率资料改进东北冷涡暴雨的一次初步尝试，取得了积极的效果。在今后的研究中，应采用更高级的资料同化技术，如4DVAR、集合变分和EnKF等方法，获得具有流依赖的背景误差协方差，进一步提高预报准确率。

参考文献

[1] 丑士连,刘娜,邢颖颖,等.2016年吉林省“7·26”暴雨天气综合分析[J].沙漠与绿洲气象,2019,13(5):17-25.

[2] CHOU Shilian, LIU Na, XING Yingying,et al.Comprehensive analysis of a rainstorm event in Jilin Province on 26 July 2016[J].Desert and Oasis Meteorology,2019,13(5):17-25.(in Chinese)

[3] 沈菲菲,束艾青,许冬梅,等.多普勒雷达资料同化对北京“7·21”大暴雨过程模拟的影响[J].沙漠与绿洲气象,2020,14(2):50-60.

[4] SHEN Feifei, SHU Aiqing, XU Dongmei,et al.Influence of Doppler radar data assimilation on simulation of the heavy rain process on July 21 in Beijing[J].Desert and Oasis Meteorology,2020,14(2):50-60.(in Chinese)

[5] 徐玥,张桂华,孟莹莹,等.黑龙江省一次伴有龙卷的暖区暴雨成因分析[J].沙漠与绿洲气象,2020,14(1):40-48.

[6] XU Yue, ZHANG Guihua, MENG Yingying,et al.Analysis on the formation of a warm sector torrential rain with tornado in Heilongjiang Province[J].Desert and Oasis Meteorology,2020,14(1):40-48.(in Chinese)

[7] 任丽,杨艳敏,金磊,等.一次东北冷涡暴雨数值模拟及动力诊断分析[J].气象与环境学报,2014,30(4):19-25.

[8] REN Li, YANG Yanmin, JIN Lei,et al.Numerical simulation on a rainstorm process caused by Northeast China cold vortex and its diagnostic analysis[J].Journal of Meteorology and Environment,2014,30(4):19-25.(in Chinese)

[9] 任丽,马国忠,孙琪.一次东北冷涡暴雨过程中尺度及云物理特征分析[J].沙漠与绿洲气象,2021,15(6):31-39.

[10] REN Li, MA Guozhong, SUN Qi.Mesoscale and cloud physical characteristics analysis of a northeast cold vortex rainstorm[J].Desert and Oasis Meteorology,2021,15(6):31-39.(in Chinese)

[11] 段云霞,李得勤,纪永明,等.东北冷涡背景下沈阳地区一次强降水过程分析[J].气象与环境学报,2022,38(4):1-10.

[12] DUAN Yunxia, LI Deqin, JI Yongming,et al.Analysis of strong precipitation in the urban area of Shenyang under the Northeast Cold Vortex background[J].Journal of Meteorology and Environment,2022,38(4):1-10.(in Chinese)

[13] 曹玲,徐士琦,杨雪艳,等.夏季东北冷涡气候特征及其对吉林省大豆生育期的影响[J].沙漠与绿洲气象,2022,16(5):135-143.

[14] CAO Ling, XU Shiqi, YANG Xueyan,et al.Climate characteristics of northeast cold vortex in summer and the effects on growth period of soybean in Jilin Province[J].Desert and Oasis Meteorology,2022,16(5):135-143.(in Chinese)

[15] 王宗敏,李江波,王福侠,等.东北冷涡暴雨的特点及其非对称结构特征[J].高原气象,2015,34(6):1721-1731.

[16] WANG Zongmin, LI Jiangbo, WANG Fuxia,et al.Asymmetric characteristics of the northeast cold vortex and its effect on heavy rain[J].Plateau Meteorology,2015,34(6):1721-1731.(in Chinese)

[17] 徐红,晁华,王文,等.东北冷涡暴雨落区统计与诊断分析[J].气象与环境学报,2016,32(3):41-46.

[18] XU Hong, CHAO Hua, WANG Wen,et al.Statistic and diagnosis of storm rainfall areas based on the northeast cold vortex cases[J].Journal of Meteorology and Environment,2016,32(3):41-46.(in Chinese)

[19] 国世友,钟幼军.2013年7月2—4日东北冷涡暴雨天气分析[J].气象与环境科学,2017,40(3):101-109.GUOShiyou,ZHONGYoujun.Weather analysis of the northeast cold vortex rainstorm during July 2-4, 2013[J].Meteorological and Environmental Sciences,2017,40(3):101-109.(in Chinese)

[20] 孙颖姝,王咏青,沈新勇,等.一次“大气河”背景下东北冷涡暴雨的诊断分析[J].高原气象,2018,37(4):970-980.

[21] SUN Yingshu, WANG Yongqing, SHEN Xinyong,et al.Diagnostic analysis on a heavy rainfall associated with the northeast cold vortex and atmospheric river[J].Plateau Meteorology,2018,37(4):970-980.(in Chinese)

[22] 杨雪艳,秦玉琳,张梦远,等.基于“配料法”的东北冷涡暴雨预报研究[J].大气科学学报,2018,41(4):475-482.

[23] YANG Xueyan, QIN Yulin, ZHANG Mengyuan,et al.Forecast of heavy rain caused by the northeast cold vortex using “ingredients method”[J].Transactions of Atmospheric Sciences,2018,41(4):475-482.(in Chinese)

[24] 任丽,杨艳敏.东北冷涡底部一次MCC暴雨动力热力特征分析[J].干旱气象,2021,39(1):65-75, 86.

[25] REN Li, YANG Yanmin.Dynamic and thermal characteristics of a heavy rain caused by MCC at bottom of northeast cold vortex[J].Journal of Arid Meteorology,2021,39(1):65-75, 86.(in Chinese)

[26] 于晓晶,韩威,马秀梅,等.卫星微波辐射资料同化在新疆降水预报中的应用初探[J].暴雨灾害,2018,37(4):337-346.

[27] YU Xiaojing, HAN Wei, MA Xiumei,et al.Implementation of microwave radiance data assimilation in precipitation forecast in Xinjiang[J].Torrential Rain and Disasters,2018,37(4):337-346.(in Chinese)

[28] 许冬梅,李玮,武芳,等.红外高光谱IASI卫星资料同化对一次大风过程的影响研究[J].沙漠与绿洲气象,2022,16(1):124-132.

[29] XU Dongmei, LI Wei, WU Fang,et al.Impact of assimilating IASI infrared radiances on the numerical results of a strong wind case[J].Desert and Oasis Meteorology,2022,16(1):124-132.(in Chinese)

[30] ZOU X L, QIN Z K, WENG F Z.Improved coastal precipitation forecasts with direct assimilation of GOES-11/12 imager radiances[J].Monthly Weather Review,2011,139(12):3711-3729.

[31] YANG C, LIU Z Q, GAO F,et al.Impact of assimilating GOES imager clear-sky radiance with a rapid refresh assimilation system for convection-permitting forecast over Mexico[J].Journal of Geophysical Research:Atmospheres,2017,122(10):5472-5490.

[32] WANG Y B, LIU Z Q, YANG S,et al.Added value of assimilating Himawari-8 AHI water vapor radiances on analyses and forecasts for “7.19” severe storm over North China[J].Journal of Geophysical Research:Atmospheres,2018,123(7):3374-3394.

[33] CHEN Y D, YU Z, HAN W,et al.Case study of a retrieval method of 3D proxy reflectivity from FY-4A lightning data and its impact on the assimilation and forecasting for severe rainfall storms[J].Remote Sensing,2020,12(7):1165.

[34] 许冬梅,沈菲菲,李泓,等.新一代静止气象卫星葵花8号的晴空红外辐射率资料同化对台风“天鸽”的预报影响研究[J].海洋学报,2022,43(3):40-52.

[35] XU Dongmei, SHEN Feifei, LI Hong,et al.The impact of assimilation of Himawari-8 clear-sky data from the new generation geostationary meteorological satellite on the forecast of super Typhoon Hato[J].Haiyang Xuebao,2022,44(3):40-52.(in Chinese)

[36] MA Z Z, Maddy E S, ZHANG B L,et al.Impact assessment of Himawari-8 AHI data assimilation in NCEP GDAS/GFS with GSI[J].Journal of Atmospheric and Oceanic Technology,2017,34(4):797-815.

[37] QIN Z K, Zou X, Weng F.Impacts of assimilating all or GOES-like AHI infrared channels radiances on QPFs over Eastern China[J].Tellus A:Dynamic Meteorology and Oceanography,2017,69(1):1345265.

[38] Barker D, HUANG X Y, LIU Z Q,et al.The weather research and forecasting model’s community variational/ensemble data assimilation system:WRFDA[J].Bulletin of the American Meteorological Society,2012,93(6):831-843.

[39] 马占山,刘奇俊,孙健,等.WSM6云微物理方案对华北地区一次降雪预报偏强的原因分析[J].气象,2021,47(9):1029-1046.

[40] MA Zhanshan, LIU Qijun, SUN Jian,et al.Study on the reason for overestimation of a snowfall case by WSM6 cloud microphysical scheme over North China[J].Meteorological Monthly,2021,47(9):1029-1046.(in Chinese)

[41] 杨薇,苗峻峰,谈哲敏.陆面过程参数化对太湖地区雷暴过程模拟的影响[J].大气科学学报,2014,37(6):804-814.

[42] YANG Wei, MIAO Junfeng, TAN Zhemin.Impact of land surface parameterizations on simulation of a thunderstorm over Tai Lake region[J].Transactions of Atmospheric Sciences,2014,37(6):804-814.(in Chinese)

[43] 彭继达.不同初始场及辐射参数化组合方案对太阳辐射模拟效果的影响试验研究[D].南京:南京信息工程大学,2013.

[44] PENG Jida.Effect of solar radiation simulation based on the different initial field and radiation parameterization scheme[D].Nanjing:Nanjing University of Information Science & Technology,2013.(in Chinese)

[45] 王雨星,钟中,孙源,等.两种边界层参数化方案模拟热带气旋Megi(2010)路径差异的机理分析[J].地球物理学报,2017,60(7):2545-2555.

[46] WANG Yuxing, ZHONG Zhong, SUN Yuan,et al.The mechanism analysis of the track deviation of tropical cyclone Megi (2010) simulated with two planetary boundary layer schemes[J].Chinese Journal of Geophysics,2017,60(7):2545-2555.(in Chinese)

[47] 刘伟光,陈海山,俞淼.积云对流参数化方案对东亚夏季环流和降水模拟的影响[J].大气科学,2019,43(1):64-74.

[48] LIU Weiguang, CHEN Haishan, YU Miao.Impacts of cumulus convective parameterization schemes on simulation of East Asian summer circulation and rainfall[J].Chinese Journal of Atmospheric Sciences,2019,43(1):64-74.(in Chinese)

基金资助

中国电力工程顾问集团西南电力设计院有限公司科研项目(KQ0807)

福建省灾害天气重点实验室/中国气象局海峡灾害天气重点开放实验室开放课题(2023KFKT03)